Indústria 4.0. Webinar. No aumento dos resultados da indústria de papel e celulose

Transcrição

1 01. Sobre a Radix Empresa de engenharia e tecnologia focada em inteligência operacional, melhoria de processos, planejamento e gestão de produção. Webinar Indústria 4.0 No aumento dos resultados da indústria de papel e celulose Por Flavio Waltz Prof. Maurício B. de Souza Jr. Thiago Morada Luciano Filho 02. Indústria 4.0 É um termo que engloba algumas tecnologias para automação e troca de dados e utiliza conceitos de Sistemas ciber-físicos, Internet das Coisas e Computação em Nuvem. 03. Questões e cases Existem muitos cases nacionais e internacionais que provam o retorno sobre investimento (ROI) positivo para projetos da indústria Controle avançado & Machine learning Aprendizagem automática é um subcampo da ciência da computação e matemática que evoluiu do estudo de reconhecimento de padrões e da teoria em inteligência artificial.

2 Atua em Automação, Engenharia e Software. Mais de 10 escritórios no Brasil e EUA. Mais de 25 anos de experiência Serviços de engenharia e tecnologia são a espinha dorsal do nosso portfólio, que são combinados com a nossa capacidade de desenvolvimento de software para tratar de uma ampla gama de aplicações. Escritórios Centrais Rio de Janeiro (Head Office); Houston (USA); Toronto (Canada); Filiais +500colaboradores São Paulo (Brazil - SP); São José dos Campos (Brazil SP); Belo Horizonte (Brazil - MG); Volta Redonda (Brazil RJ). Operação Arcos (MG), Itabira (MG); Camaçari (BA) and Salvador (BA).

3 Cronologia - Indústria 4.0 O termo "indústria 4.0" representa a quarta revolução industrial. Enquanto as outras transformações foram focadas na automação de máquinas e processos, a Indústria 4.0 centra-se na digitalização de ponta a ponta de todos os ativos físicos e a integração em um ecossistema digital. 1ª revolução indústrial ~1800 2ª revolução indústrial ~ ª revolução indústrial ~1960 4ª revolução indústrial ~ Momento atual

4 O que é a Revolução Digital? Captura de informação e câmeras automatizadas no campo são mais viáveis. A transmissão de dados é mais segura, financeiramente viável e menos restrita pelo tempo e espaço. Armazenamento e gerenciamento de dados grandes é mais viável. Equipamentos inteligentes, big data, cloud computing e análise dos dados. As análises são mais rápidas, facilmente disponíveis e mais sofisticadas. Com visualizações e informações mais acessíveis e úteis.

5 Como enxergamos a indústria 4.0 Nossa abordagem à Revolução Digital começa sempre por definir as perguntas que queremos possibilitando respostas por meio dos dados Com isso em mente, a Radix apoia seus clientes em entender como a tecnologia pode ajudá-los a superar seus principais desafios operacionais e capacitar seus negócios para crescer. Em outras palavras, como demonstrado na figura, queremos responder às questões mais críticas através da tecnologia de ponta.

6 Questões que vamos responder Internet industrial Como o IoT (Internet das Coisas) está mudando meu mundo? Big Data Como a Big Data e o Advanced Analytics podem alavancar minha inteligência operacional? Evolução no controle de processos químicos A velocidade com que as coisas acontecem hoje exige uma capacidade de reação aumentada

7 Como o IoT (Internet das Coisas) está mudando meu mundo? A!prox Desenvolvimento de novos sentidos ao operador e máquinas para prevenir acidentes e aumentar a produtividade. X!Digital Sistema de manutenção baseado em condições.

8 A!prox Objetivo do sistema é reduzir o número de acidentes. O sistema A!prox fornece novos sentidos ao operador e as máquinas. Criando um campo de proteção, através da tecnologia de RFID ativa, criando um mecânicas de segurança que conta com sistema de alarmes e intertravamento, evitando acidentes.

9 A!prox O A!prox também se encaixa perfeitamente para soluções de logística, com ele você pode saber onde de encontra cada máquina ou caminhão em sua operação, as rotas mais utilizadas e ter todas as informações de maneira de fácil visualização no seu computador ou celular

10 A!prox Como resultado o sistema informar onde cada ativo se encontra e quanto tempo ficou em um certo lugar: Não necessita instalação e permite a geração de muitos dados para utilização de sistemas de Big Data

11 X!Digital Objetivo do sistema é criar mais valor da manutenção baseada em condições (CBM). A solução proposta foi monitorar o ciclo de trabalho de ativos-chave para impulsionar os esforços da CBM. Sistema integrado de gerenciamento de informações baseado em redes neurais para uso em campo com opções para geração de alertas.

12 X!Digital A RADIX avaliou os Sistemas SOTREQ existentes e desenvolveu o X!Digital para trabalhar com banco de dados dinâmicos e com mineração de dados das máquinas CATERPILLAR. Integra dados de laboratório, mecânicos enviados via telemetria, dados de GPS, operação da máquina e também sistemas alto nível como SAP de manutenção.

13 X!Digital No final, o serviço técnico e a central de monitoramento foram aprimoradas e a produtividade aumentou, já que a SOTREQ pode agora saber antecipadamente qual máquina precisa de manutenção e / ou substituição de peças. Volume de manutenção da Sotreq diminuiu 10% usando IoT e Aprendizado de Máquinas.

14 Como a Big Data pode alavancar minha inteligência operacional? Manutenção preditiva de Servomotores Manutenção Preditiva na máquina de envase Visualização e Analytics

15 Manutenção Preventiva Servomotores A fim de reduzir custos com a manutenção de servomotores, existe a necessidade de uma integração com camada PIMS e ERP, possibilitando extrair dados e disponibilizálos para realização de manutenção preditiva.

16 Manutenção Preventiva Servomotores Implementação de um sistema para aquisição dos dados de processo das máquinas diferentes máquinas controladores e drivers. Através desse sistema ermitir a visualização de todos os servomotores de uma linha com o seu status em tempo real.

17 Manutenção Preventiva Servomotores Nessa tela é possível visualizar os gráficos CEP (Controle Estatístico de Processo) para todas variáveis monitoradas Os pontos s apresentados nos gráficos representam a média de 250 pontos coletados durante o funcionamento de 1 ciclo de movimentação completo por do servomotor.

18 Manutenção Preditiva na máquina de envase Projeto piloto para verificar os ganhos com conceitos de IoT e Big Data. O projeto extraia dados diretamente do CLP via OPC Server e criou um ambiente de Advanced Analytics em Cloud para apresentar a Natura os ganhos com novas tecnologias.

19 Visualização e Analytics Sistema em desenvolvimento para melhorar a visualização de dados da operação de toda a planta da Georgia Pacific e desenvolver uma camada de Analytics.

22 Evolução no controle de processos químicos Desenvolvimento de rede neuronal para estimar número Kappa Desenvolvimento de uma rede neuronal para calcular o Freeness

23 Monitoramento da formação de material particulado em caldeira de recuperação kraft No processo de produção de celulose kraft, há a formação de licor negro que é levado à caldeira de recuperação, onde se forma material particulado (Costa et al., 2005). Este material é arrastado pelo ar de combustão para outras partes da caldeira, causando depósitos nas superfícies de troca térmica, o que diminui significativamente a eficiência Redes RBF (Radial Basis Function) treinadas para estimar o número de partículas formadas. de troca. Depósitos determinam o momento de parada da caldeira.

24 Monitoramento da formação de material particulado em caldeira de recuperação Variáveis operacionais Vvlu vazão volumétrica de licor negro x concentração de alimentação de licor negro Tlu temperatura de alimentação de licor negro Var 1, 2 e 3 vazões de ar primário, secundário e terciário Tar1 e 2 temps. de alimentação do ar primário e secundário PI pressão de alimentação do licor negro Representação esquemática da queima de licor negro na caldeira de recuperação (Costa et al., 2005). Epart número de partículas produzidas por minuto 24

25 Dados da KPP (Costa et al., 2005), 12 meses de operação industrial. GRUPOS: Epart a 200 npp; 2 acima de 200 npp. 25

26 Rede neuronal para estimar número Kappa no digestor contínuo Configuração e implementação de uma ferramenta baseada em rede neuronal: ISTK(Fisher) agora módulo de rede neuronal da Delta-V, para calcular o número kappa na saída do digestor de celulose. Treinamento da rede neuronal com dados do analisador inline Treinamento da rede neuronal com dados de laboratório (2 meses) Ganhos: Redução na variabilidade de processo e Melhoria do Controle de Processos

27 Rede neuronal para estimar número Kappa no digestor contínuo KAPPA AI03 KAPPA LABORATÓRIO Configuração e implementação de uma ferramenta baseada em rede neuronal: ISTK(Fisher) agora módulo de rede neuronal da Delta-V, para calcular o número kappa na saída do digestor de celulose. Validação da rede neuronal com dados de laboratório (1 mês) Valor kappa real x valor kappa laboratório Ganhos: Redução na variabilidade de processo e Melhoria do Controle de Processos

28 Desenvolvimento de uma rede neuronal para calcular o Freeness Desenvolvimento de uma ANN para calcular o Freeness (o indicador de permeabilidade de um conjunto de fibras) na saída do digestor de cavacos. A unidade tinha dois digestores. O Freeness era anteriormente usado para monitorar o processo analisando as amostras retiradas a cada hora à saída de cada digestor.

29 Novas abordagens para redes neurais Deep learning para gerar regras para data analytics e manuseio de big data. Redes (DNN): cascata de camadas ocultas de unidades entre as camadas de entrada e de saída. Ganhos: > Aumento de eficiência de produção e de consumo de matérias-primas e energia, > Redução de paradas e custos de manutenção, > Demanda customizada e melhoria na comunicação com o operador > Maximização da eficiência da logística etc.

30 Projeto CNPq Novas Tecnologias Digitais Aplicadas a Detecção e Diagnóstico de Falhas Monitoramento da condição do processo: > Dados históricos e reais são valiosos para operações; > Determinar as falhas pelo big data provido pelas análises de HAZOP de plantas irmãs; > Integração de informações de todas as unidades irmãs; > Ambiente de computação em nuvem;

31 Projeto CNPq Novas Tecnologias Digitais Aplicadas a Detecção e Diagnóstico de Falhas Com o acesso a dados de todas as unidades em um ambiente de computação em nuvem, quando não se dispuser de dados de falhas em uma unidade específica, será possível usar dados de uma unidade similar disponível em historiadores para o desenvolvimento de modelos de falhas.

32 Um projeto com indústria 4.0 Nossa abordagem à Revolução Digital começa sempre por definir as perguntas que queremos possibilitando respostas por meio dos dados Mapeie sua estratégia do setor 4.0 Crie projetos pilotos inicias Defina as capacidades que você precisa Torne-se um virtuoso na análise de dados Transforme-se em uma empresa digital Planejar ativamente uma abordagem de ecossistema Contatos, Maurício B. de Souza Jr. DEQ/EQ/UFRJ